本文目录
数据分析师与数据挖掘工程师，分别有什么从业要求
谢邀，之前我回答过另一个问题，现在我把答案复制过来，仅供参考。
我上一份工作是数据分析师，现在的工作是数据挖掘工程师，因此我可以以我自己的实际经验来回答这个问题。
数据分析师和数据挖掘工程师，同属于数据领域的洞察者，但是两者的工作内容却有着不小的区别。
对于一个数据分析师来说，最重要的并不是编程技能，而是逻辑分析能力、业务理解能力、报告展示能力等。
数据分析师：
数据分析师使用的主要工具可以是编程，但并非必要；
因为现在已经存在大量的强大、易用的数据分析工具，比如Excel、Tableau、SPSS、SAS等，即使你没有编程能力，仍然能胜任绝大多数的数据分析工作；
但是相对于数据挖掘工程师，你还额外需要一些能力，比如数据可视化的能力、写数据报告的能力、在领导甚至许多人面前做报告、讲演的能力等；
同时，由于现在互联网公司都在讲大数据，数据的存储基本上在各种大数据平台和数据库中，因此你有必要掌握Hive、HDFS、MySQL等的使用，SQL的熟练掌握是不可避免的。
数据分析师一般有两种，一种是面向业务的，主要对各业务线、产品经理、运营、各部门领导的需求提供支持，帮助他们分析业务、了解业务，发掘出业务中的问题并提供解决方案；另一种是偏宏观的分析，一般没有需求方，主要是自发地进行探索，主动找到公司业务中存在的问题，弄清公司发展的趋势，对于公司发展的方向做出指引。
数据挖掘工程师
虽然说不会编程也不至于完全无法做数据挖掘工作，但是好的编程技能却会成为你工作中的得力助手；
很多时候，数据挖掘工程师会为数据分析师提供一些支持性的工作，比如为他们搭建数据库、清洗数据、建立报表平台等；
有些时候数据分析师也会直接向数据挖掘工程师提出需求，有些数据的存储方式、格式超出了数据分析师的技能覆盖范围，这时就需要数据挖掘工程师帮他们做一些前期工作；
另外呢，数据挖掘工程师往往还需要做一些机器学习方面的工作，因此就需要对各种机器学习算法的理论及代码实践有足够的认识。
数据挖掘工程师之中，也分很多不同的类型，比如做特征工程的、数据仓库的、数据平台支持的、算法工程师、数据科学家等，他们的工作职责各有不同，职业技能也各有侧重。
对于大多数数据挖掘工程师来说，编程技能是必不可少的，但是针对不同挖掘工程师的性质，需要掌握不同的编程技能。一般来说，Python、Java、Scala是常用的大数据挖掘语言，有一些数据科学家喜欢用R；最常用的大数据平台是Hadoop平台和Spark平台，常用的结构化数据库是MySQL或其他关系型数据库，非结构化数据库中MongoDB较为常用。
对于数据挖掘工程师来说，必要的Linux知识也必不可少。因为数据挖掘工程师绝大多数的工作都是在远程的服务器上完成的，不能流畅地在命令行中操作各种Linux系统(常用的有CentOS、Ubuntu等)，工作的效率会大大降低。另外Shell在数据处理上也很强大，sed+awk简直是数据处理的神器。
以上并不是非常系统的对比，但是是我在工作中最实际的体验，我并非码农出身，这个转型过程中遇到了很多挑战，但是他们之间并没有天堑一样的区别，很多地方是共通的，如果你编程基础较差，那么可以从数据分析师入手，之后在考虑转型数据挖掘；如果编程基础较好，可以考虑数据挖掘，但是数据挖掘工程师一般情况下不会接触太多的业务。两者的职业路线非常不同，数据分析师之后可以做业务、可以转产品、可以做管理；而数据挖掘工程师一般会在技术领域垂直、深入地探索，之后可能会做技术管理，也有一辈子做技术的。
综上所述，你可以根据自己的实际情况，做出选择了。后悔药是有的，不用过多纠结，他们之间并不是做了A就再也不能做B了。
大数据分析需要学习什么
这个我有经验，我来答一下🙋♂️
目前在我们数据行业内的日常用语中，数据分析和数据可视化这两个术语似乎已成为同义词。虽然说两者它都包含数据分析的内容，但实际上还是有一定的细微差别。就比如说
数据分析：它更多的强调的是一个逻辑思维能力，强调的是一个探索性的过程，通常从特定的问题开始。它需要好奇心、寻找答案的欲望和很好的韧性，因为这些答案并不总是容易得到的。
而数据可视化分析：它就在数据分析的基础上涉及到数据的可视化展示，从单个图表到全面的仪表盘。借助有效的可视化显著减少了受众处理信息和获取有价值见解所需的时间。加快了数据分析的效率，但是不是什么样的可视化都能达到我们的目的，还需要具备很多必要的条件。
简单来说：
数据分析其实就是通过你的逻辑思维能力在一张普通的白纸上把一道数学题解答了出来，而数据可视化分析在于你不但把这道题解答了出来，还通过一些可视化工具把这个答案呈现的比较好看以及让局外人更容易理解～
虽然两者存在着天然的差别。但这并不是说两者永远不会和谐共处或者离和谐很远。其实在实际处理数据时，分析应该先于可视化输出，而可视化分析可能是呈现有效分析结果的一种好方法，两者在应用中存在着关联。
所以在这里我个人能够提供给题主的意见是：
想入行数据分析师这个方向，必须学习数据可视化技能！多一项把数据分析用可视化工具展现出来的技能不好吗？反正都是分析师，技多不压身哦～竞争力会大一些，而且还是现如今这种追求美的社会背景下～好看的图表呈现的数据，还是要比一堆枯燥的数字，文字要吸引人的多！！！！！
那么要入行数据可视化分析，你要会什么技能？
对于数据可视化分析师来说，他应该是多才多艺的，具有良好的数据收集和分析复杂数据的能力是必备条件，无论是叙述还是统计。具体的话应该掌握以下几点：
- 强大的分析能力
- 良好的沟通及人际交往能力，才能建立良好的工作关系
- 要具备在技术/非技术人员面前解释事物的能力
- 有能力自主工作，也可在团队工作
- 具备时间管理技能
- 项目管理技能，与利益相关者进行规划、组织和协调项目的方方面面
- 有能力处理压力和解决问题的能力
- 积极自我激励，快速学习和创新的人
- 掌握一些列数据可视化分析工具「重点掌握」
除了基本的数据分析能力，你还要会什么技能？
如果要选择数据可视化分析方向，你一定要了解可以借助哪些工具来展示你的数据分析结果👇
那么对于数据可视化分析来说，相关软件那么多，你如何选取最适合的工具才能做出最好的呈现效果，👀下面👇
1. 专业图表类（Excel、BI图表、PPT等）
适用人群：面向有数据可视化需求的对象
使用难度：中等
特点：需要有一定的基础，比较专业，适合有针对性的图表制作
2. 开发工具类（Python、R语言等）
适用人群：多为开发人员使用，技术方面有一定要求
使用难度：较高
特点：专业化可视化工具，会涉及到系统的编程开发，因为涉及到二次开发，所以个性化的程度比较高
3. Saas版本在线工具（袋鼠云EasyV、阿里云DataV、腾讯Raydata等)
适用人群：面向业务人员
使用难度：简单
特点：属于零编程类，操作简单，多面向业务人员，基于数据分析的一款可视化工具
如何选择最合适的数据可视化工具？
如果入职大型企业的数据可视化分析师后，你如果要进行数据分析，那肯定讲究的就是一个数据的时效性，所以数据可视化大屏分析工具的选用也是作为数据分析者也是必须掌握的一个技能之一。
所以在工具的选择上，其实个人还是推荐大家使用saas版的在线工具类，学习难度小，花费的时间成本低，就比如拿袋鼠云的数据可视化EasyV这个工具来说「以下纯属个人的免费试用体验」：
免费试用链接也可以分享给大家👉，可以自己体验看看效果如何：免费试用撮这里🀄️👉
「欲善其工 必先利其器」
更多数据可视化相关知识，大家关注我呀关注我关注我就有很多免费知识可以学习啦！！
想做数据分析工作，大学阶段应重点关注哪些知识学习和能力培养
当前有不少计算机专业的同学会从事数据分析岗位，相比于传统的开发岗位来说，数据分析岗位有三个优势，其一是岗位附加值相对比较高，其二是职业生命周期预期相对比较长，其三是行业覆盖面比较广，选择空间比较大。
对于计算机专业的同学来说，如果要从事数据分析岗位，一定要做好发展规划，除了要重视技术积累之外，更重要的是要注重行业知识的积累，毕竟数据分析与行业场景的关系非常紧密。
从产业互联网发展的大趋势来看，未来数据分析岗位的发展前景还是非常广阔的，一方面数据分析是大数据进行数据价值化的主要方式之一，另一方面在数字孪生等新兴技术领域，数据分析岗位同样有非常重要的地位。
数据分析岗位早期对于计算机专业的同学并不算太友好，计算机专业的同学在竞争数据分析岗位时，往往也要面对数学、统计学、金融学等专业同学给予的竞争压力，但是近几年数据分析岗位对于计算机专业的同学正在变得友好。
之所以数据分析岗位对于计算机专业同学逐渐变得友好，原因主要有三个方面，其一是数据分析方式的变革，其二是数据分析技术平台的变革，其三是产业互联网的推动。
从技术发展的大趋势来看，未来计算机大类专业的同学，要想在数据分析领域走得更远，一定要充分发挥自己的专业特点，要懂得借助数据分析平台的力量，同时要重视机器学习和深度学习相关知识的运用。
相对于统计学的数据分析方式来说，机器学习的数据分析方式是相对“暴力”的，但是机器学习的数据分析方式往往更适合以物联网数据为主的“低价值数据密度”时代。
我目前就在给计算机专业研一的同学上数据分析这门课，这门课也是目前我仅保留的两门授课任务之一，还有一门课是机器学习，实际上这两门课程之间也有比较紧密的联系。
